筆記整理：王若旭，浙江大學在讀碩士，研究方向為關系抽取，零樣本學習。

---

本文發表于 www2019，參考鏈接：https://arxiv.org/pdf/1905.04413.pdf

?

為了解決推薦系統中協同過濾方法面對的數據稀疏和冷啟動的問題，很多研究者將關注點放在 user 和 item 的屬性上，通過設計一些算法來探索這些輔助信息。本篇文章基于屬性之間并非獨立的觀點提出 Knowledge Graph Convolutional Networks (KGCN)，通過挖掘 item 在 KG 屬性上的關系有效地捕獲item內部的聯系。

?

具體的做法如下（參考下圖理解）：

1）首先，將 user-item 中的 item 和 KG 中 entity 對齊。

2）計算 user u 和 KG 中 relation r 的得分，表示用戶 u 對關系 r 的重視程度，如：一些用戶更注重某部電影的導演而非演員。

3）通過對周圍 entity e 施加不同權重，計算 item v 拓撲機構表示。其中，N(v) 是 v 的鄰接節點。

4）文中提出三種聚合方法來聚合item v的表示和它鄰接節點的表示 (S(v)是為了保持每批次的計算模式固定且更高效，從N(v)中采樣得到的)。

5）論文采用 hinge loss，考慮到算法的效率，為每個樣本產生 T^u 個負樣本，且樣本滿足均勻分布。

KGCN算法流程如下：

數據集：包括 movieLens-20M，Book-Crossing，Last.FM，用 Microsoft Satori 進行對齊，丟掉了多個匹配的和沒有匹配上的 item。數據集統計如下：???

K: 感知的寬度，即考慮的鄰居節點數量

d：u,v表示的維度

H: 感知的深度，即遞歸的次數

?

實驗結果：

1）整體結果

2）鄰居節點數量K，表示的維度d,感知的深度H對結果的影響

?

?

---

OpenKG

開放知識圖譜（簡稱 OpenKG）旨在促進中文知識圖譜數據的開放與互聯，促進知識圖譜和語義技術的普及和廣泛應用。

點擊閱讀原文，進入 OpenKG 博客。

總結

以上是生活随笔為你收集整理的论文浅尝 | 基于知识图谱中图卷积神经网络的推荐系统的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。